如何计算分组 Spark 数据框中的布尔值

Question

我想计算分组 Spark 数据帧的列中有多少条记录为真，但我不知道如何在 python 中执行此操作。例如，我有一个带有region、salary 和IsUnemployed 列的数据，其中IsUnemployed 作为布尔值。我想看看每个地区有多少失业者。我知道我们可以做一个filter 然后groupby 但我想同时生成两个聚合，如下所示

from pyspark.sql import functions as F  
data.groupby("Region").agg(F.avg("Salary"), F.count("IsUnemployed")) 

Answer 1

可能最简单的解决方案是简单的CAST（C 风格，其中TRUE -> 1，FALSE -> 0）和SUM：

(data
    .groupby("Region")
    .agg(F.avg("Salary"), F.sum(F.col("IsUnemployed").cast("long"))))

更通用和惯用的解决方案是CASE WHEN 和COUNT：

(data
    .groupby("Region")
    .agg(
        F.avg("Salary"),
        F.count(F.when(F.col("IsUnemployed"), F.col("IsUnemployed")))))

但这里显然是矫枉过正。